基于脑节律熵矩阵相似性度量的 EEG 情绪识别

基于摘要分析。该研究针对 EEG 情绪识别，构建脑节律熵矩阵（Brain Rhythm Entropy Matrix，BREM）作为特征，并利用其相似性度量进行识别，探索单通道 EEG 数据用于情绪计算的可行性。 方法依据是脑节律活动与唤醒度、效价之间的关联，以及熵对这些活动的量化能力。作者将 EEG 信号转化为 BREM，再引入相似性度量；但摘要未说明采用何种熵、矩阵各维度的含义、相似性函数、参照对象或最终分类规则，因此尚不能据此还原完整算法。 作者报告，在 DEAP 数据库上，采用最优单通道数据进行情绪识别时，Accuracy 范围为 75%–92%。摘要未明确该范围对应的任务、被试或时间窗，也未给出被试内、跨被试或其他数据划分协议，不能将其视为统一协议下的总体性能，或直接与其他方法比较。作者还报告，所选通道和时间窗存在显著个体差异，但统计检验及效应大小尚未验证。 该方法的具体阅读价值在于 BREM 表征与相似性度量的组合，以及单通道选择对识别性能的影响。复现时需核对 EEG 预处理、节律划分、熵估计、相似性计算、情绪标签定义，以及最优通道和时间窗是否仅依据训练数据确定；这些是待核对事项，并非已确认的实验问题。实验协议、对照基线、消融及统计信息尚未验证。作者提出其可能支持未来便携式情绪计算设备设计，但摘要未提供在线运行、设备验证或跨被试泛化证据。